HANDLER

기술과 솔루션

news 기술과 솔루션

급속 충전에도 안정적으로, 배터리 화재 막는 냉각기술 개발 기계연, 리튬이온 배터리팩을 직접 액체 냉각하는 ‘분사형 액침냉각 기술’ 세계 최초 개발

이용우 2026-09-16

물처럼 흐르는 원료로 대형 탄소복합재 빠르게 제작 부산대 연구팀 신기술 개발…강하고 균일하게, 재활용까지

- 성동기 교수팀, 재활용 어려운 기존 열경화성 복합재료 한계 극복 성과- 항공·우주·방산·미래 모빌리티용 경량 부품 대량 생산 가능 기대- 공극률 1% 미만, 강도 22.7% 향상, 충격 분산, 수분 흡수도 기존 1/3 수준 부산대학교 연구팀이 물처럼 잘 흐르는 저점도 열가소성 수지를 활용해 복잡한 형상의 대형 탄소복합재를 빠르게 제작할 수 있는 신공정을 개발했다. 이번 기술은 기존 열경화성 수지 기반 공정의 한계를 보완하면서 생산성과 재활용 가능성을 함께 높일 수 있는 대안으로 주목된다. 부산대학교(총장 최재원)는 응용화학공학부 성동기 교수 연구팀이 기존 열가소성 탄소섬유 복합재료의 산업 적용을 가로막아 온 높은 점도 문제를 해결할 수 있는 반응 중합형 성형 공정을 개발했다. 이번 기술은 플라스틱을 직접 녹여 주입하는 대신, 플라스틱이 되기 전 단계의 반응성 전구체를 탄소섬유 내부에 먼저 함침시킨 뒤 금형 안에서 고성능 플라스틱으로 전환하는 방식이다. 이를 통해 대형 복합재료를 더 빠르고 균일하게 만들 수 있는 가능성을 제시했다. 탄소섬유 복합재료는 항공기, 우주 구조물, 전기차, 수소 모빌리티 등에 쓰이는 대표적인 차세대 경량 구조재다. 철보다 훨씬 가벼우면서도 높은 강도와 강성을 구현할 수 있어 에너지 효율과 구조 안전성을 동시에 높일 수 있다. 그러나 현재 산업 현장에서는 주로 열경화성 수지 기반 복합재료가 사용되고 있어, 재활용과 재성형이 어렵다는 한계가 꾸준히 제기돼 왔다. 이에 대한 대안으로 열가소성 탄소섬유 복합재료가 주목받아 왔지만, 실제 생산 공정에서는 또 다른 장벽이 존재했다. 일반적인 열가소성 플라스틱은 녹았을 때 점도가 매우 높아 촘촘한 탄소섬유 다발 사이로 균일하게 스며들기 어렵다. 이 때문에 제조 시간이 길어지고, 내부에 기포나 빈 공간이 생기며, 대형 복합재료를 빠르게 생산하는 데 제약이 있었다. 연구팀은 이러한 문제를 해결하기 위해 ‘플라스틱을 녹여 넣는 방식’이 아니라 ‘물처럼 잘 흐르는 원료를 먼저 넣고 금형 안에서 플라스틱으로 바꾸는 방식’을 적용했다. 특히 PA12(폴리아미드 12)의 원료인 라우로락탐을 PA6(폴리아미드 6)의 원료인 카프로락탐에 녹여 90℃의 낮은 온도에서도 주입 가능한 반응성 수지 시스템을 구현했다. PA6와 PA12는 둘 다 폴리아미드(Polyamide, PA) 계열 플라스틱으로, 흔히 나일론 계열 소재라고 보면 된다. 이번 연구는 PA6와 PA12의 장점을 결합한 복합재료 공정이다. 일반적으로 라우로락탐은 150℃ 이상의 높은 온도에서 녹여야 해 기존 공정 적용이 쉽지 않았지만, 이번 연구에서는 카프로락탐이 용매 역할을 하면서 보다 실용적인 제조 조건을 확보했다. 이 과정에서 금형 내부에서는 PA6와 PA12 성분이 함께 형성되며, 단일 고분자가 아닌 구배형 PA6/PA12 공중합체가 만들어진다. 연구팀은 이를 통해 초 저점도 원료의 뛰어난 함침성을 유지하면서도 탄소섬유와 수지 사이의 계면 결합력, 충격 저항성, 수분 안정성을 동시에 개선했다. 실제 성형 결과, 제조된 복합재료의 내부 공극률은 1% 미만으로 억제돼 우수한 성형 품질을 보였다. 공극은 복합재 내부에 생기는 미세한 빈틈이나 기포로, 많을수록 강도와 내구성이 떨어진다. 이번 기술은 초 저점도 원료가 탄소섬유 다발 내부까지 균일하게 스며들도록 해 대형 열가소성 복합재료의 고속·고품질 성형 가능성을 입증했다. 또한 연구팀은 별도의 섬유 표면처리 없이도 탄소섬유 표면에 얇고 규칙적인 횡 결정성 계면 층이 형성되도록 했다. 이 계면 층은 섬유와 수지 사이를 단단히 연결해 하중 전달을 돕고, 균열이 한 번에 급격히 퍼지는 것을 막는 역할을 한다. 그 결과 복합재료의 층간 전단강도는 기존 PA6 기반 복합재료보다 22.7% 향상돼 세계 최고 수준인 72.2MPa(메가파스칼)에 도달했다. 충격 저항성과 수분 안정성도 크게 개선됐다. 기존 PA6 기반 복합재료는 강도는 우수하지만 충격을 받으면 취성 파괴(갑작스럽게 깨지는 현상)가 나타날 수 있었다. 반면 이번 복합재료는 PA12 성분 도입으로 더 질긴 변형 거동을 보이며 충격 에너지를 여러 지점으로 분산·흡수했다. 또 60℃ 물속에서 30일간 진행한 가혹 조건 시험에서는 최종 수분 흡수량이 기존 PA6 기반 복합재료 대비 약 3분의 1 수준으로 감소해, 장기 사용 환경에서의 신뢰성 향상 가능성도 확인됐다. 이번 연구는 부산대 응용화학공학부 성동기 교수가 교신저자로, 손승모 석박사통합과정생이 제1저자, 허수정 박사과정생과 정승우 석사 졸업생, 장문석 석사과정생이 공동 저자로 수행했다. 같은 학과 안석균 교수와 UNIST 박영빈 교수도 공동연구자로 참여했다. 해당 연구 성과는 복합재료 분야 세계 최상위권 학술지인 『포지트 파트 B: 엔지니어링(Composites Part B: Engineering)』 9월호에 게재될 예정이다. - 논문 제목: Transcrystalline interphase engineering for tunable mechanical and moisture performance in T-RTM processed carbon fiber/polyamide composites (반응중합형 탄소섬유/폴리아미드 복합재의 기계적 물성과 내수성 조절을 위한 횡결정 계면 공학)- 논문 링크: https://doi.org/10.1016/j.compositesb.2026.113903 이번 연구는 산업통상자원부 산업기술혁신사업과 과학기술정보통신부 재원 한국연구재단 나노 및 소재기술개발사업 지원을 받아 수행됐다. 연구책임자인 성동기 교수는 “재가공과 재활용이 어려운 열경화성 고분자 기반 탄소섬유 복합재료의 한계를 극복하기 위해 재활용이 용이한 열가소성 복합재료로 전환하는 기술은 자동차, 항공우주 등 첨단산업에서 지속적으로 요구되고 있지만, 높은 점도의 열가소성 수지를 이용해 탄소섬유 복합재료를 만드는 것은 매우 도전적인 기술”이라며, “이번 연구를 통해 열가소성 탄소 복합재를 제조하는 새로운 재료와 공정 기술을 제안함으로써 우수한 물성과 함께 재활용성을 가지는 환경 친화형 복합재료를 다양한 산업에 적용할 수 있는 계기를 열었다고 할 수 있다”라고 말했다. 연구팀은 이번 기술이 항공·우주 구조재, 전기차 및 수소 모빌리티 부품, 풍력 블레이드, 고속 운송장비 등 고성능과 경량화가 동시에 요구되는 산업 분야에 폭넓게 활용될 것으로 기대하고 있다. 특히 기존 열경화성 복합재료를 대체할 수 있는 친환경 경량 구조재 기술로서 대형 복합재료의 고속 성형과 산업 적용성 향상에 기여할 수 있을 것으로 전망된다.

이용우 2026-09-16

'빛을 두 번 잡는' 기술로 태양전지 상용화 추진한다

이용우 2026-09-16

충남대 구준모 교수팀, 재활용도 되고 생분해가 되는 친환경 열경화성 고분자 개발

- 유리처럼 투명하면서도 재활용성, 친환경성 높여 관련 산업 발전 기대 천연 재료를 활용하여 유리의 성능에 가까우면서도 재활용이 용이하고, 6주 만에 생분해가 가능한 친환경 플라스틱 생산의 길이 열렸다. 충남대학교 공과대학 유기재료공학과 구준모 교수팀과 한국화학연구원 신기영, 전현열 박사팀이 재활용할 수 있으면서도 생분해가 가능한 친환경 열경화성 고분자를 개발했다. 이번 연구 결과는 화학공학 분야 국제 학술지 ‘ACS Sustainable Chemistry & Engineering’(IF: 7.6) 게재됐다. 이번 연구는 충남대 조은정 석사과정이 주저자로, 구준모 교수가 최종 교신저자로 참여했다. 전 세계 플라스틱 생산량은 연간 3억 8천만 톤을 넘어섰으며, 2040년에는 8억 톤을 돌파할 것으로 전망된다. 특히 한 번 가교가 형성되면 재가공이 불가능한 열경화성 고분자는 폐기 후 적절한 처리 방법이 부족해 폐기물 문제의 사각지대로 지적돼왔다. 이에 공동연구팀은 감귤류 등에서 얻어지는 천연 유기산인 구연산의 다관능성 카르복실기가 3차원 가교망을 형성하는 특성에 착안해 새로운 열경화성 고분자를 합성했다. 연구팀이 합성한 열경화성 고분자는 높은 탄성률과 우수한 광 투과율을 동시에 구현했다. 특히 산소와 수증기에 대한 차단성은 유리에 근접하는 수준을 보였으며, 자외선과 온도 변화가 반복되는 가혹한 환경에서도 변색이나 갈라짐 없이 뛰어난 내후성을 유지했다. 이번 연구는 천연 재료를 활용하여 유리의 성능에 가까운 재활용이 가능하면서 빠른 시일 내 생분해되는 친환경 열경화성 플라스틱 생산의 길을 연 것으로, 연구가 상용화로 이어질 경우 플라스틱 산업 발전에 긍정적인 영향을 미칠 것으로 기대되고 있다. 구준모 교수는 “재활용이 어려웠던 기존 열경화성 고분자의 한계를 뛰어넘는 친환경 소재를 지속적으로 개발해 미래 사회에 기여하겠다”라고 말했다. □ 논문 제목: Structurally Tuned Citric Acid–Based Polyester Thermoset with Balanced Barrier, Durability, and Biodegradation Performance □ 논문 DOI: https://doi.org/10.1021/acssuschemeng.5c08559

이용우 2026-09-16

전기차 배터리 화재 원인 잡았다!경북대·ETRI·KAIST, ‘불 안 붙는 전해질’ 설계 원리 규명

국내 공동 연구진이 고성능 전기차와 에너지저장장치(ESS)의 핵심 부품인 리튬이온전지의 화재 및 열폭주 위험을 크게 낮출 수 있는 전해질 기술을 개발했다.스마트모빌리티공학과 오지민 교수팀은 KAIST 신소재공학과 서동화 교수팀, ETRI 이명주 박사팀과 공동연구를 통해 고에너지밀도를 유지하면서도 우수한 화재 안전성을 동시에 확보할 수 있는 비가연성 전해질 설계 기술을 개발했다.리튬이온전지는 에너지 밀도가 높지만, 화재와 열폭주 위험이 약점으로 지적됐다. 특히 고성능 전기차용 고니켈 양극 배터리는 가혹한 구동 환경에서 화재 가능성이 커 안전성 확보가 필수적이다. 사진 왼쪽부터 오지민 교수, 서동화 교수, 이명주 박사, 신욱선 연구원 연구팀은 기존 전해질에 보편적으로 사용돼 단가 면에서 유리한 불소계 첨가제(FEC, Fluoroethylene Carbonate)에 자체 개발한 난연성 첨가제(P2PFS)를 최적 비율로 혼합 적용해 전지 수명 손실이 없는 비가연성 전해질 시스템을 설계했다.최적화된 새로운 전해질 시스템은 발화 지연 능력을 평가하는 연소 시험에서 발화 지속 시간을 종전보다 절반 수준 이하로 크게 낮춰, 화염에 노출되어도 불이 거의 붙지 않는 비가연성에 가까운 특성을 구현했다.동시에 연구팀은 개발한 전해질의 화학적 성능 유지 특성을 확인하기 위해 고온과 고전압 환경에서 구조가 매우 불안정해지는 ‘고니켈 양극(NCM955) 리튬전지’에 적용한 테스트를 진행했다. 그 결과, 극도로 혹독한 구동 조건에서도 전해질이 파괴되지 않고 양극 표면을 안정적으로 보호하며, 200회 이상 급격한 충·방전을 거듭한 후에도 초기 용량의 83% 이상을 유지하는 우수한 수명 특성을 나타냈다.특히 전지 열폭주의 주원인인 산소 발생을 효과적으로 억제하는 메커니즘을 규명했다. 충전 시 양극재에서 나오는 유해 산소를 자체 개발한 난연 첨가제가 포집해 안정한 물질로 전환함으로써 발화 원인을 억제하는 원리다.연구팀은 이 기술을 실제 상용 제품 규격인 1Ah급 중대형 파우치 셀에 적용해 실증에도 성공했다. 대용량 배터리 환경에서 750회 이상 충·방전한 후에도 초기 용량의 85.2%를 유지했으며, 특히 완전히 충전된 배터리를 못으로 찌르는 가혹한 관통 시험에서도 화재나 폭발 없이 최고 온도를 49도 수준으로 제어하며 높은 안전성을 입증했다. 또한, 시차주사열량계(DSC)와 질량분석기(MS) 테스트에서도 전지 열폭주의 원인 중에 하나인 전지 내 산소 발생이 적극적으로 억제됨을 실험적으로 검증했다.오지민 교수는 “이번 연구는 단순히 난연 첨가제를 개발한 것이 아니라, 배터리 내부 산소 반응을 제어하는 열역학적 설계 원리를 제시한 연구다. 전기차, ESS, 로봇, 드론, 미래 항공 모빌리티 등 고안전성이 요구되는 다양한 분야에 적용 가능한 차세대 전해질 설계 플랫폼으로 활용될 수 있을 것으로 기대한다”라고 밝혔다.이번 연구는 한국연구재단(NRF)과 한국산업기술기획평가원(KEIT)의 지원을 받아 수행됐다. 교신저자는 경북대 오지민 교수와 KAIST 서동화 교수이며, 제1저자는 ETRI 이명주 박사와 KAIST 신욱선 연구원이다. 재료과학 분야 국제 저명 학술지인 ‘스몰(Small)’에 6월 18일 온라인 게재됐다. * Title of original paper: Combined Thermodynamic-Electrochemical Understandings of Non-Flammable Electrolyte for High-Nickel Lithium Batteries * ABSTRACTThe high flammability of high-energy-density lithium batteries remains a critical safety challenge, while the low reduction potential and high cost of conventional flame-retardant materials limit their practical use. Here, we report a synergistic design strategy for non-flammable and fluorine electrolyte additive combinations that stabilize high-nickel layered cathodes and enable both high energy density and safety. Through a systematic additive screening and thermodynamic analysis based on Gibbs free energy–derived reduction potentials of P2PFS (4,4'-(propane-2,2-diyl) bis (4,1-phenylene) disulfo- fluoridate) and related species, we identified additive interactions that suppress exothermic decomposition of carbonate electrolytes. The optimized electrolyte exhibited near non-flammability, significantly improved cycle retention (83% after 200 cycles at 0.3 C), and enhanced interfacial robustness, as confirmed by XPS and TEM analyses. Moreover, 1 Ah-level Li (Ni0.8Co0.1Mn0.1)O2‖graphite full cells demonstrated excellent long-term stability (>700 cycles) and no thermal propagation under nail penetration, validating the intrinsic safety of our formulation. The combined thermodynamic–electrochemical approach provides new insights into designing next-generation electrolytes that harmonize non-flammability, cost-effectiveness, and high-voltage stability for advanced lithium-ion batteries.* Journal: Small* Web Link: https://onlinelibrary.wiley.com/doi/10.1002/smll.74256

이용우 2026-09-16

기후 위기 시대, AI로 바다를 예측하다 KIST, 대기-해양 상호작용까지 재현하는 AI 해양 예측 모델 개발

- GPU 한 대로 200일 치 전 지구 해양 예측을 수 초 만에 생성 올해 슈퍼 엘니뇨의 발달과 함께 6월에 서유럽에서 40℃를 넘는 폭염이 발생하는 등 전 세계적으로 이상기후 현상이 빈번하게 발생하고 있다. 기후변화로 인해 폭염, 집중호우, 가뭄, 태풍 등 극한 기상 현상의 발생 빈도와 강도가 증가하면서 보다 정확한 기후 예측 기술의 중요성이 커지고 있다. 특히 해양은 지구 표면의 약 70%를 차지하며 막대한 양의 열과 탄소를 저장·순환하는 동시에 대기와 지속적으로 상호 작용해 엘니뇨·라니냐를 비롯한 계절 및 장기 기후 변동을 좌우하는 핵심 요소다. 그러나 기존 해양 예측 모델은 복잡한 물리 방정식을 계산하기 위해 막대한 슈퍼컴퓨팅 자원과 긴 계산 시간이 필요해 신속한 예측과 다양한 기후 시나리오 분석에 한계가 있었다. 한국과학기술연구원(KIST, 원장 오상록) 기후탄소순환연구단 강대현 박사 연구팀은 이러한 한계를 극복하기 위해 AI 기반의 전 지구 해양 예측 모델인 KIST-Ocean을 개발했다고 밝혔다. 이번 성과는 과학기술 기반의 기후변화 예측·대응을 위해 출범한 KIST 기후·환경연구소의 결실로, 방대한 관측 자료와 물리 기반 해석 역량이 요구되는 장기 해양·기후 예측 분야에서 AI 기술을 접목해 높은 정확도와 계산 효율을 동시에 구현했다는 점에서 의미가 있다. KIST-Ocean 모델 추론 과정 구조과거 수십 년간의 관측과 시뮬레이션의 대기 및 해양 빅데이터를 학습한 KIST-Ocean 모델을 통해 예측 수행. 예측 초기조건으로 3차원 해양 상태와 대기 경계조건이 입력되고, 이를 통해 5일 뒤의 3차원 해양 상태를 예측해 냄. 예측된 3차원 해양 상태를 다시 입력으로 넣는 과정을 최대 40번 반복하면 5일 간격으로 200일까지의 전 지구 3차원 해양 예측을 수행하게 됨. 연구진이 개발한 KIST-Ocean은 과거 수십 연간 축적된 전 지구 3차원 해양 데이터를 학습해 미래의 해양 상태를 예측하는 AI 모델이다. 전 지구 해양의 수온, 해류, 염분 등 다양한 물리 정보를 바탕으로 해양의 입체적인 상태를 5일 간격으로 예측하며, 수심 600m까지의 변화를 생성할 수 있다. 특히 최신 AI 기술을 적용해 GPU 한 대만으로 약 200일 치 전 지구 해양 예측 결과를 단 몇 초 만에 생성할 수 있어 기존 수치모델 대비 계산 시간과 비용을 크게 줄였다. 이러한 높은 계산 효율은 다양한 기후 시나리오를 반복적으로 분석하거나 대규모 앙상블 예측을 수행하는 연구에도 효과적으로 활용될 것으로 기대된다.연구진은 KIST-Ocean이 실제 해양의 물리 현상을 얼마나 정확하게 재현하는지 검증하기 위해 다양한 실험을 수행했다. 가상의 바람 생성 실험에서는 대기 변화에 따른 해양 파동과 용승·침강 현상이 기존 해양 물리 이론과 일치하게 나타났으며, 이는 AI가 단순히 과거 데이터를 학습하는 수준을 넘어 대기와 해양 사이의 복잡한 물리적 상호작용까지 효과적으로 반영할 수 있음을 보여준다. 또한 대표적인 기후 현상인 2015년 슈퍼 엘니뇨 사례에서도 적도 태평양의 해수면 온도 상승과 해양 내부 열 분포 변화 등 주요 발달 과정을 성공적으로 재현해, AI 기반 해양 모델의 예측 정확성과 신뢰성을 입증했다. KIST-Ocean 모델의 해양 파동 재현력 평가(좌측) 적도 태평양에 인위적인 바람의 응력을 주입했을 때 KIST-Ocean에서 나타나는 해양 로스 비파의 위상 속도. X축은 바람 응력을 주입한 위도에 따라 변화하는 위상 속도의 이론값(빨간색 표시)과 KIST-Ocean 예측의 위상 속도. 각 점들은 통계적 유의성을 확보하기 위해 해당 위도의 다중 예측 수행 결과를 나타냄.(우측) 아열대 해양에서 반 시계/시계 방향 바람 응력 주입에 따라 KIST-Ocean의 수심 105m 해양의 온도 반응 생성 결과. 에크만 수송에 따른 용승과 침강과 관련된 해양의 온도 변화를 현실적으로 예측 성공함. 연구진은 KIST-Ocean이 기존의 단기 날씨 예측을 넘어 계절 및 연 단위 기후 예측으로 AI 활용 범위를 확대하는 기반 기술이 될 것으로 기대하고 있다. 향후 대기·해양·지면 등이 결합된 AI 기반 지구 시스템 모델 개발의 토대가 될 뿐만 아니라, 빠르고 경제적인 특성을 바탕으로 해양·기후 연구의 진입 장벽을 낮추고 다양한 기후변화 대응 연구를 가속화할 것으로 전망된다. KIST-Ocean 모델의 2015~16 슈퍼 엘니뇨 재현력 평가과거 슈퍼 엘니뇨가 발달하기 시작했던 시기인 2015년 5월 3일의 예측 초기조건으로부터 KIST-Ocean 예측을 수행하며 살펴본 엘니뇨의 발달 반응 평가. (좌측) 2015년의 바람 응력을 주입해 줬을 때는 태평양 중부~동태평양 해수 온도가 상승하는 과거 슈퍼 엘니뇨의 발달을 현실적으로 모의하는 데 성공함(우측) 엘니뇨 발달과 무관한 평년의 바람 응력을 처방해 주는 경우 엘니뇨 발달이 나타나지 않고 오히려 해수 온도가 하락하는 라니냐 반응이 나타남.KIST-Ocean의 실험 결과는 열대 태평양의 바람 응력이 슈퍼 엘니뇨 발달에 주요한 역할을 한다는 기존 선행 연구와 일치하며, KIST-Ocean이 우수한 물리 재현력을 지님을 의미함. KIST 강대현 박사는 “KIST-Ocean을 통해 AI 예측이 뛰어난 효율성과 정확도를 보일 뿐만 아니라, 대기와 해양 간의 복잡한 물리적 관계도 현실적으로 재현할 수 있음을 입증했다”라며, “이러한 AI 모델을 적극 활용해 향후 기후 위기 대응 역량을 크게 향상시킬 수 있을 것”이라고 말했다. 기후 재난 대응은 장기간의 연구 축적과 지속적인 투자가 필요한 국가적 공공 연구 영역이다. KIST는 이번 기술을 고도화해 기후 위기 시대에 국민 안전 확보와 사회·경제적 피해 최소화에 기여하는 선제적 예측 기술로 발전시켜 나갈 계획이다. 본 연구는 과학기술정보통신부(장관 배경훈)의 지원을 받아 KIST 주요 사업, 초고성능컴퓨팅활용고도화사업(NRF-2022M3K3A1094114) 등으로 수행됐다. 이번 연구 성과는 국제 학술지 「Science Advances」 (IF 13.9, JCR 분야 8.2%) 최신 호에 게재됐다.

이용우 2026-09-16

KAIST 이상엽 특훈교수 연구팀, 석유 대신 미생물이 만드는 화학공장 시대 앞당기다!

- 바이오 제조 상용화의 핵심 병목을 극복하기 위한 산업화 전략과 미래 발전 방향 제시 석유 대신 미생물이 화학제품을 만드는 ‘바이오 제조’ 시대가 한 걸음 가까워졌다. KAIST 연구진이 바이오 제조 상용화를 가로막는 핵심 난제를 분석하고, AI를 활용한 산업화 전략을 제시했다. (왼쪽부터) 생명화학공학과 이상엽 특훈교수, 김지연 박사과정 (공동 제1 저자), 유혜은 박사과정 (공동 제1 저자), 김민호 박사과정 KAIST 생명화학공학과 이상엽 특훈교수 연구팀이 바이오 제조 상용화의 핵심 병목을 종합적으로 분석하고, 이를 극복하기 위한 산업화 전략과 미래 발전 방향을 제시했다. 현재 플라스틱과 섬유, 의약품 원료 등 대부분의 화학제품은 석유에서 생산된다. 하지만 탄소배출과 환경오염 문제가 커지면서 미생물을 이용해 화학물질을 만드는 바이오 제조(Biomanufacturing)가 차세대 제조 기술로 주목받고 있다. 그러나 실험실에서 개발한 기술을 실제 공장에서 경제성 있게 대량 생산하는 것은 여전히 큰 과제로 남아 있다. 바이오 제조의 핵심 기술인 시스템 대사공학(Systems Metabolic Engineering)은 미생물의 대사 경로를 설계·최적화해 원하는 화학물질을 생산하는 ‘미생물 세포공장(Cell Factory)’을 만드는 기술이다. 하지만 연구실에서는 높은 생산성을 보인 기술도 산업 현장에서는 생산성이 떨어지고 생산비가 증가하거나 가격 경쟁력을 확보하지 못해 상용화에 실패하는 경우가 적지 않다. 실험실 연구와 산업화 사이의 바이오 제조 로드맵 연구팀은 이러한 ‘연구실과 산업 현장 사이의 간극(죽음의 계곡, Death Valley)’을 대표적으로 보여주는 사례로, 바이오 기반 화학 원료인 숙신산(Succinic acid)과 생분해성 플라스틱인 폴리하이드록시알카노에이트(PHA)를 분석했다. 숙신산은 친환경 플라스틱과 다양한 화학소재를 만드는 핵심 원료다. 연구팀은 숙신산이 기존 석유화학 제품과 경쟁하기 위해서는 생산량뿐 아니라 원료 가격, 발효 공정, 분리·정제 비용, 시장 규모까지 함께 고려해야 한다고 설명했다. 또한 의약품과 화장품, 식품 소재 등 고부가가치 시장부터 단계적으로 진입하는 전략이 현실적인 해법이 될 수 있다고 제시했다. PHA는 미생물이 세포 안에 축적하는 생분해성 플라스틱으로, 사용 후 자연에서 분해되는 친환경 소재다. 하지만 생산비와 회수 비용이 높아 아직은 기존 플라스틱과 가격 경쟁력이 낮다. 연구팀은 생산 공정을 단순화하고 의료용과 식품 포장재 등 고부가가치 분야부터 적용한 뒤 범용 시장으로 확대하는 단계적 접근이 필요하다고 분석했다. 연구팀은 앞으로 AI가 바이오 제조 산업화의 핵심 열쇠가 될 것으로 전망했다. AI는 효소와 미생물설계는 물론 생산 공정을 가상으로 구현하는 디지털 트윈(Digital Twin), 경제성과 환경성을 동시에 분석하는 기술 등을 통해 바이오 제조 전 과정을 최적화할 수 있다. 이를 통해 개발 기간과 생산 비용을 줄이고 상용화 성공 가능성을 높일 수 있다는 설명이다. 또한 연구팀은 기술 경제성 평가(TEA, Techno-Economic Analysis)와 전과정평가(LCA, Life Cycle Assessment)를 연구가 끝난 뒤 수행하는 평가가 아니라 연구 초기부터 기술 설계의 기준으로 활용해야 한다고 제안했다. 아울러 원료 수급과 국제 정세 변화에 대비한 공급망 회복탄력성도 바이오 제조의 새로운 설계 기준으로 고려해야 한다고 강조했다. 이번 연구는 새로운 생산기술을 개발한 것이 아니라 바이오 제조 산업화의 성공 조건을 종합적으로 분석하고, 원료 확보부터 미생물설계, 발효, 분리·정제, 시장 진입까지 전 주기를 아우르는 산업화 로드맵을 제시했다는 점에서 의미가 크다. 연구팀은 이번 연구가 바이오 기반 화학산업의 상용화를 앞당기고, 장기적으로는 석유 중심의 화학산업을 친환경 바이오경제로 전환하는 데 기여할 것으로 기대했다. 산업 규모 바이오 제조를 위한 통합 공정 프레임 워크 이상엽 특훈교수는 “바이오 제조의 상용화는 어느 한 공정만 잘해서 해결되는 문제가 아니라 원료-균주-발효-정제-시장으로 이어지는 전 주기가 유기적으로 연결돼야 가능하다”라며 “시스템 대사공학과 AI의 융합은 이러한 병목을 해결하고 바이오 제조 시대를 앞당기는 핵심 기술이 될 것”이라고 말했다. KAIST 생명화학공학과 김지연 박사과정과 유혜은 박사과정이 공동 제1저자로 참여한 이번 논문은, 세계적 학술지 네이처 커뮤니케이션스(Nature Communications) 온라인판에 5월 30일 게재됐다.※ 논문명: Beyond petrochemicals: challenges and opportunities in industrial-scale biomanufacturing DOI: 10.1038/s41467-026-73835-1※ 저자 정보: 김지연(KAIST, 공동 제1저자), 유혜은(KAIST, 공동 제1저자), 김민호(KAIST), 이상엽(KAIST, 교신저자) 한편, 이번 연구는 과학기술정보통신부가 지원하는 한국연구재단의 ‘차세대 바이오리파이너리 원천기술 개발 사업(과제번호: 2022M3J5A1056117)’ 및 ‘바이오 제조 산업 선도를 위한 첨단 합성생물학 원천기술 개발 사업(과제번호: RS-2024-00399424)’의 지원을 받아 수행됐다.

이용우 2026-09-16

AI 기반 재료 설계와 신소재 개발

1. 서론 현대 산업은 에너지 전환과 탄소중립, 고성능 전자소자, 차세대 모빌리티와 같은 거대한 기술 변화 속에서 이전보다 훨씬 높은 수준의 재료 성능을 요구한다. 배터리는 더 높은 에너지 밀도와 안전성을 필요로 하고, 반도체는 미세화 및 고집적화에 대응해야 하며, 친환경 산업에서는 재활용 가능성과 생분해성을 동시에 만족하는 소재 개발이 중요시되고 있다. 그러나 현재의 재료 시스템은 구조와 조성, 제조 공정이 서로 긴밀하게 연결되어 있기 때문에 기존의 경험적 접근만으로는 최적의 재료를 효율적으로 설계하기 어렵다. 특히 첨단 소재는 다양한 특성을 동시에 만족해야 하므로, 제한된 실험과 계산만으로 방대한 재료 공간을 탐색하는 데에는 근본적인 한계를 가진다. 이에 따라 최근 재료과학은 데이터와 계산 기반의 예측 중심 연구로 빠르게 전환되고 있으며, 인공지능(AI)은 이러한 변화의 중심 기술로 주목받고 있다. 머신러닝(ML)과 딥러닝(DL)은 복잡한 구조–물성 관계를 학습해서 새로운 재료의 성능을 예측할 수 있으며, 생성형 AI는 목표 특성을 만족하는 구조를 직접 설계하는 수준까지 발전하였다. 또한 자연어 처리(NLP)는 방대한 논문과 특허 데이터를 분석하여 합성 조건과 제조 정보를 자동으로 추출하며, 디지털 트윈과 스마트 제조 기술은 재료 개발과 생산 공정을 하나의 데이터 기반 시스템으로 연결한다. 특히 최근에는 AI와 계산과학의 융합이 활발히 이루어지면서 재료 연구의 범위가 더욱 확장되었다. 밀도 범함수 이론(DFT)(6), 분자동역학(MD)(7), 유한요소해석(FEA)(20)과 같은 기존 계산 기법이 AI와 결합하여 더 빠르고 효율적인 재료 탐색이 가능해졌으며, 실험·계산·제조 데이터를 통합적으로 활용하는 방향으로 발전하고 있다.2. 재료과학 패러다임의 변화 재료과학은 오랜 시간 동안 실험과 경험을 중심으로 발전해 온 학문 분야이다. 새로운 재료를 개발하기 위해 연구자는 특정 조성과 공정 조건을 설정하고, 반복적인 실험을 통해 원하는 특성을 탐색해 왔다. 이러한 방식은 금속, 세라믹, 고분자, 반도체와 같은 다양한 소재의 발전을 이끌어 왔으며, 산업 혁신의 기반이 되어 왔다. 그러나 현대 산업이 요구하는 재료의 성능과 기능이 점점 복잡해지면서 기존의 경험 중심 접근만으로는 한계가 드러나기 시작했다. 더욱이 최근의 첨단 소재는 단순히 하나의 특성만 우수한 것이 아니라, 서로 다른 여러 성능을 동시에 만족해야 한다. 예를 들어 에너지 저장 소재는 높은 에너지 밀도와 안전성, 빠른 충·방전 특성을 함께 요구받으며, 친환경 소재는 성능뿐 아니라 재활용성과 지속가능성까지 고려해야 한다. 또한 재료의 성능은 화학 조성뿐만 아니라 원자 배열과 미세구조, 제조 공정 등이 복합적으로 작용하여 결정되기 때문에 단순히 직관만으로 최적 조건을 찾는 것이 점점 어려워지고 있다. 이러한 배경 속에서 재료과학은 데이터와 계산 기반의 새로운 연구 체계로 빠르게 전환되어 왔다. 고속 계산(HTC)(19)과 자동화 실험 기술의 발전은 방대한 재료 데이터를 축적할 수 있게 만들었으며, 머신러닝과 딥러닝은 이러한 데이터를 활용해 복잡한 구조–물성 관계를 학습하고 예측하는 데 활용되었다. 즉, 재료과학은 개별 실험 중심의 연구에서 벗어나 데이터·계산과학·인공지능·제조 기술이 서로 연결된 통합적 연구 체계로 변화하고 있다. 2.1 데이터 중심 재료 설계의 등장 최근 재료과학은 경험과 반복 실험에 의존하던 기존 연구 방식에서 벗어나 데이터를 기반으로 재료를 설계하고 예측하는 방향으로 빠르게 변화하고 있다. 과거에는 연구자가 특정 조성과 공정 조건을 설정한 뒤 수많은 실험을 반복하며 최적의 결과를 찾아야 했다. 이러한 방식은 다양한 산업 발전을 이끌어 왔지만, 첨단 소재가 요구하는 복잡한 성능 조건을 모두 만족시키기에는 시간과 비용 측면에서 한계를 드러내기 시작했다. 특히 배터리와 반도체, 기능성 고분자처럼 조합 가능한 구조와 조성이 매우 방대한 분야에서는 모든 후보를 실험적으로 검증하는 것이 현실적으로 어려워졌다. 이와 같은 문제를 해결하기 위해 등장한 개념이 데이터 중심 재료 설계이다. 이는 대규모 실험 데이터와 계산 데이터를 활용하여 재료의 구조와 물성 사이의 관계를 학습하고, 이를 기반으로 새로운 소재의 특성을 예측하는 접근 방식이다. 즉, 과거처럼 후보를 하나씩 제작하고 결과를 확인하는 방식이 아니라, 데이터를 통해 가능성이 높은 후보를 먼저 선별하고 가장 유망한 재료를 효율적으로 탐색하는 방향으로 연구 체계가 변화하고 있는 것이다. 최근에는 고속 계산 기술과 대규모 재료 데이터베이스 구축이 이러한 변화를 더욱 가속화하였다. Materials Project(16), OQMD(17), AFLOW(18)와 같은 플랫폼은 다양한 재료 정보를 체계적으로 제공하며, AI 기반 재료 연구의 핵심 기반으로 활용되었다. 특히 머신러닝은 복잡한 구조–물성 관계를 학습하여 특정 물성을 빠르게 예측할 수 있으며, 최근에는 생성형 AI와 역설계 기술을 통해 목표 성능에 적합한 새로운 재료 구조를 직접 제안하는 단계로 발전하고 있다. 이는 재료과학이 단순한 데이터 분석을 넘어 미래 신소재를 능동적으로 설계하는 방향으로 진화하고 있음을 보여준다. 2.2 AI와 계산과학의 융합 기존 계산과학은 재료의 구조와 거동을 분석하는 데 중요한 역할을 해왔다. 이러한 방법은 원자 수준의 현상까지 이해할 수 있다는 장점을 가지지만, 계산 시간이 길고 탐색할 수 있는 범위가 제한적이라는 한계도 함께 가지고 있었다. 특히 첨단 소재는 조성과 구조의 경우 수가 매우 방대하기 때문에, 모든 가능성을 계산만으로 분석하는 것은 현실적으로 어렵다. 이러한 문제를 해결하기 위해 AI와 계산과학을 결합한 새로운 접근이 등장했다. 예를 들어 밀도 범함수 이론(DFT)은 높은 정확도를 제공하지만 계산 비용이 큰 반면, 머신러닝 모델은 학습된 데이터를 기반으로 에너지 상태와 전자 구조를 훨씬 빠르게 예측한다. 분자동역학 분야에서도 AI 기반 포텐셜이 도입되면서 더욱 정밀하고 대규모의 시뮬레이션이 가능해졌다. 또한 AI와 유한요소해석의 결합은 응력 분포와 열전달 특성을 빠르게 예측할 수 있게 하여, 디지털 트윈과 스마트 제조 기술 발전에도 중요한 역할을 하고 있다. 최근에는 Physics-Informed Neural Networks(PINNs)(8),(9)처럼 물리법칙을 신경망 학습 과정에 직접 반영하는 기술도 등장하면서, AI가 단순한 데이터 분석을 넘어 물리적으로 타당한 결과를 도출하는 방향으로 발전하였다. 3. AI 기반 재료 개발 및 상용화 재료과학에서 가장 중요한 과제 중 하나는 재료의 구조와 물성 사이의 복잡한 관계를 이해하는 것이다. 동일한 화학 조성을 가진 재료라도 원자의 배열 방식과 결정 구조, 미세조직, 제조 공정 조건에 따라 전혀 다른 특성을 나타낸다. 즉, 재료의 성능은 단순히 어떤 원소를 사용했는가에 의해 결정되는 것이 아니라, 원자 수준의 구조와 공정 과정이 서로 복합적으로 작용하여 형성된다. 기존에는 계산과학 기법이 이러한 문제를 분석하는 데 활용되어 왔으나, 이러한 복잡성을 해결하기 위해 AI가 도구로 활용되었다. 머신러닝은 방대한 실험 및 계산 데이터를 학습하여 사람이 발견하기 어려운 패턴과 상관관계를 분석할 수 있으며, 그래프 신경망(GNN)(21)은 원자와 결합 구조 자체를 직접 학습함으로써 더욱 정밀한 구조 해석을 가능하게 하였다. 3.1 초고속 재료 탐색 재료과학은 방대한 설계 공간을 다룬다. 재료의 성능은 화학 조성과 결정 구조, 미세조직, 공정 조건 등이 복합적으로 작용하여 결정되며, 이들을 조합할 수 있는 경우의 수는 사실상 무한에 가깝다. 반면 산업은 더 짧은 시간 안에 더 높은 성능과 안정성을 요구하고 있어, 재료 개발 속도 자체를 혁신적으로 높일 필요성이 커졌다. 이러한 배경 속에서 등장한 것이 초고속 재료 탐색 기술(HTMD)(22),(23)이다. 최근에는 고속 계산 기술과 자동화 실험 시스템을 통해 수천에서 수만 개 이상의 재료 후보를 빠르게 분석할 수 있게 되었으며, AI가 이 과정의 중요 역할을 담당하고 있다. 머신러닝은 기존 데이터를 학습하여 가능성이 높은 후보를 우선적으로 예측하고 있으며, 능동 학습과 베이지안 최적화(Bayesian Optimization)(24)는 가장 효율적으로 다음 단계 실험 조건을 제안한다. 3.2 상용화 단계새로운 소재를 개발하는 것만큼 어려운 문제는 실험실 수준의 연구 성과를 실제 산업 현장에 적용할 수 있는 기술로 연결하는 과정이다. 많은 신소재가 우수한 성능을 보이더라도 대량 생산 단계에서 동일한 특성을 유지하지 못하거나 제조 비용과 공정 안정성 문제로 인해 상용화에 실패하는 경우가 많다. 이러한 연구개발과 산업화 사이의 단절 구간은 흔히 Valley of Death(데스 밸리)라고 하며, 재료 산업의 대표적인 난제로 여겨진다. 실험실에서는 소량의 시료를 이상적인 조건에서 합성할 수 있지만, 산업 규모 생산에서는 열전달, 혼합 균일성, 공정 안정성 등 다양한 변수들이 복합적으로 작용한다. 또한 우수한 물성을 가진 재료라도 원료 가격이 높거나 기존 생산 공정과 호환되지 않으면 실제 산업 적용이 어렵다. 최근에는 이러한 문제를 해결하기 위해 AI와 디지털 제조 기술이 적극적으로 활용된다. 머신러닝은 재료 성능뿐 아니라 제조 가능성과 공정 안정성까지 함께 예측하며, 디지털 트윈(DT)(25)은 실제 생산 과정을 가상 환경에서 시뮬레이션하여 문제를 사전에 분석할 수 있도록 한다. 또한 기술-경제성 분석(TEA)은 성능과 비용, 에너지 소비를 동시에 평가함으로써 상용화 가능성을 보다 효율적으로 판단할 수 있도록 지원한다. 4. AI 기반 재료 설계를 위한 핵심 기술 최근에는 머신러닝과 딥러닝을 중심으로 재료 인포매틱스(Materials Informatics)(26), 생성형 AI, 자연어 처리(NLP), 그래프 신경망(GNN) 등의 기술이 빠르게 발전하고 있으며, 이를 통해 기존 방식으로는 탐색하기 어려웠던 복잡한 재료 구조를 효과적으로 분석할 수 있게 되었다. 4.1 재료 인포매틱스 재료 인포매틱스는 재료과학, 데이터 과학, AI 기술이 융합된 연구 분야로 방대한 재료 데이터를 기반으로 새로운 소재 설계와 물성 예측을 목표로 한다. 이는 단순히 데이터의 저장 및 분석 수준을 넘어, 재료의 구조와 성능 사이에 존재하는 복잡한 관계를 학습함으로써 신소재 개발 과정을 가속화하기 위한 접근이라 할 수 있다. 기존의 재료 연구에서는 하나의 조성이나 공정 조건을 설정한 뒤 실험과 계산을 반복하면서 최적 조건을 찾는 방식이 일반적이었다. 그러나 첨단 소재는 조성 조합과 구조 변화의 경우의 수가 매우 방대하기 때문에, 이러한 방식만으로 전체 탐색 공간을 효율적으로 다루기 어렵다. 재료 인포매틱스는 이러한 한계를 극복하기 위해 방대한 실험 및 계산 데이터를 체계적으로 활용한다. 예를 들어 화학 조성과 결정 구조, 전기적·열적 특성, 미세조직 이미지, 제조 공정 정보 등을 하나의 데이터 체계로 통합하고, 이를 머신러닝 모델 학습에 활용함으로써 구조–물성 관계를 보다 빠르고 정밀하게 예측한다. 특히 최근에는 고속 계산 기술과 자동화 실험 시스템의 발전으로 대규모 재료 데이터가 빠르게 축적된다. 대표적으로 Materials Project, OQMD, AFLOW와 같은 데이터베이스는 수십만 개 이상의 재료 후보에 대한 전자 구조와 물성 정보를 제공하며, 이는 AI 기반 재료 설계의 중요한 기반으로 활용된다. 이러한 데이터는 단순한 정보 축적을 넘어, 새로운 재료를 탐색하고 예측하기 위한 지식 자원으로 기능한다. 재료 인포매틱스에서 가장 중요한 요소 중 하나는 재료를 어떻게 수치적으로 표현하느냐이다. 이를 위해 사용되는 개념이 바로 디스크립터(descriptor)이다. 디스크립터는 재료의 화학 조성이나 구조적 특징을 숫자 형태로 변환한 정보로 머신러닝 모델이 재료를 이해할 수 있도록 만드는 역할을 한다. 예를 들어 원자 반지름과 전기음성도, 결합 길이, 결정 구조 정보 등이 디스크립터로 활용된다. 최근에는 단순한 조성 정보뿐 아니라, 원자 수준의 국소 구조와 다중 스케일 미세구조까지 반영하는 고도화된 표현 방식이 개발되고 있다. 또한 머신러닝 기술은 재료 인포매틱스의 핵심 도구로 자리 잡고 있다. 랜덤 포레스트(Ran dom Forest)(27), 서포트 벡터 머신(SVM)(28), 신경망과 같은 알고리즘은 구조–물성 관계를 학습하여 특정 재료의 특성을 빠르게 예측한다. 최근에는 그래프 신경망(GNN)이 등장하면서 원자와 결합 구조 자체를 그래프 형태로 표현하는 방식이 가능해졌으며, 이를 통해 더욱 정밀한 재료 예측이 가능해졌다. 재료 인포매틱스의 활용이 단순한 물성 예측에만 국한되는 것이 아니라, 최근에는 생성형 AI와 결합해 목표 성능을 만족하는 새로운 재료 구조를 직접 설계하는 연구도 활발히 진행되고 있다. 이는 기존 데이터 안에서 최적 후보를 찾는 수준을 넘어, AI가 새로운 재료 후보를 제안하는 방향으로 발전하고 있음을 의미한다. 또한 자연어 처리(NLP)는 논문과 특허에 포함된 합성 조건과 실험 결과를 자동으로 추출하여 데이터화하는 데 활용되고 있으며, 이를 통해 연구자가 접근하기 어려운 대규모 지식 체계를 효율적으로 활용할 수 있게 되었다.4.2 머신러닝과 딥러닝 기반 예측 기술 머신러닝과 딥러닝은 최근 재료과학 분야에서 가장 빠르게 발전하고 있는 AI 기술이다. 이러한 기술들은 방대한 실험 및 계산 데이터를 기반으로 재료의 구조와 물성 사이의 관계를 학습하고, 새로운 재료의 특성을 예측하는 데 활용된다. 기존 재료 연구에서는 특정 조성과 구조를 실험적으로 검증하거나 물리 모델을 통해 계산해야 했지만, 머신러닝은 데이터 안에 존재하는 복잡한 패턴을 학습함으로써 훨씬 빠른 속도로 재료 특성을 예측할 수 있다. 이는 단순한 계산 효율 향상을 넘어, 재료 개발 방식 자체를 변화시키는 중요한 기술적 전환이라 할 수 있다. 머신러닝은 기본적으로 입력 데이터와 결과 사이의 관계를 학습하여 새로운 조건에 대한 결과를 예측하는 방식으로 작동한다. 재료과학에서는 화학 조성과 결정 구조, 공정 조건, 미세조직 정보 등이 입력 데이터로 사용되며, 기계적 강도나 전기전도도, 열전도도, 안정성과 같은 물성이 예측 대상이 된다. 특히 재료 시스템은 대부분 복잡한 비선형 관계를 가지기 때문에, 머신러닝은 전통적인 선형 모델보다 훨씬 뛰어난 예측 성능을 보여준다.초기 재료과학 분야에서는 랜덤 포레스트, 서포트 벡터 머신, k-NN(29)과 같은 비교적 단순한 머신러닝 기법이 주로 활용되었다. 이러한 알고리즘은 제한된 데이터 환경에서도 안정적인 성능을 제공하며, 변수 간 중요도를 분석하기 쉽다는 장점을 가진다. 예를 들어 특정 합금의 조성과 열처리 조건이 강도 향상에 어떤 영향을 미치는지를 분석하거나, 배터리 전해질의 조성이 이온 전도도에 미치는 영향을 예측하는 데 활용되어 왔다. 최근에는 딥러닝 기술이 발전하면서 더욱 복잡한 구조 정보를 직접 학습할 수 있게 되었다. 딥러닝은 다층 신경망 구조를 기반으로 대규모 데이터를 학습하며, 사람이 직접 특징을 정의하지 않아도 데이터 안의 복잡한 패턴을 자동으로 추출할 수 있다는 특징을 가진다. 특히 합성곱 신경망(CNN)은 전자현미경 이미지나 미세구조 데이터를 분석하는 데 강력한 성능을 보이며, 결함 검출과 결정 구조 분류 등에 활용되고 있다. 또한 그래프 신경망(GNN)은 최근 재료과학 분야에서 가장 주목받는 딥러닝 기술 중 하나이다. GNN은 원자와 결합 구조를 그래프 형태로 표현함으로써 재료 구조 자체를 직접 학습할 수 있다. 이는 기존처럼 연구자가 별도의 특징값을 정의해야 했던 방식과 달리, AI가 구조적 관계를 스스로 학습할 수 있게 만든다는 점에서 큰 의미를 가진다. 특히 GNN은 배터리 소재와 촉매, 결정 구조 예측 분야에서 높은 정확도를 보이며 차세대 재료 설계 기술로 주목받는다. 한편, 최근에는 생성형 AI 또한 재료 설계에 적극적으로 활용된다. 기존 머신러닝이 주어진 데이터의 특성을 예측하는 데 중점을 두었다면, 생성형 AI는 목표 성능을 만족하는 새로운 구조를 직접 생성할 수 있다. 예를 들어 특정 전도성과 안정성을 동시에 만족하는 고분자 구조를 설계하거나, 기존 데이터베이스에 존재하지 않는 새로운 결정 구조를 제안하는 연구가 활발히 이루어지고 있다. 이는 AI가 단순한 분석 도구를 넘어, 새로운 재료 후보를 제안하는 역할까지 수행하고 있음을 보여준다.딥러닝 기반 예측 기술은 자연어 처리(NLP)와 결합되면서 더욱 확장되었다. 최근 대규모 언어모델(LLM)은 논문과 특허 데이터를 분석하여 합성 조건과 제조 정보를 자동으로 추출할 수 있으며, 이를 통해 연구자가 접근하기 어려운 방대한 지식 체계를 활용할 수 있게 만들었다. 또한 AI가 실험 데이터와 계산 데이터를 통합적으로 학습함으로써 보다 정밀한 예측을 가능하게 하고 있다.4.3 재료 표현과 디스크립터 체계 재료과학에서 다루는 구조는 매우 복잡하다. 금속과 세라믹은 원자 배열과 결정 구조에 의해 특성이 달라지며, 고분자는 분자 사슬 길이와 작용기, 배열 구조가 중요한 영향을 미친다. 또한 배터리와 촉매 소재에서는 계면 구조와 전자 분포, 결함 구조까지 고려해야 한다. 따라서 단순히 화학식만 입력하는 것으로는 재료의 실제 특성을 충분히 설명하기 어렵다. 가장 기본적인 디스크립터는 원자 수준의 물리·화학적 특성을 이용하는 방식이다. 예를 들어 원자 반지름, 전기음성도, 이온화 에너지, 전자 친화도, 원자 질량과 같은 값들이 대표적으로 사용된다. 이러한 특징들은 재료 조성과 물성 사이의 관계를 설명하는 데 유용하며, 비교적 단순한 머신러닝 모델에서도 높은 효율을 보인다. 특히 합금이나 무기 결정 소재 분야에서는 평균 원자 특성이나 조성 비율을 활용한 표현 방식이 널리 활용된다. 보다 복잡한 재료 시스템에서는 구조 정보를 함께 반영하는 디스크립터가 필요하다. 예를 들어 결정 구조에서는 원자 간 거리와 결합각도, 배위수, 격자 대칭성과 같은 정보가 중요한 요소로 사용된다. 고분자 재료에서는 단량체 구조와 분자량, 작용기 배열, 사슬 유연성, 가교 구조 등이 핵심 변수로 작용한다. 최근에는 단순한 화학 조성뿐 아니라 나노 및 마이크로 스케일의 미세구조 이미지까지 AI 모델에 입력하는 연구도 활발히 이루어지고 있다.특히 최근에는 그래프 기반 재료 표현이 크게 주목받고 있다. 그래프 신경망(GNN)은 원자를 노드(node), 화학 결합을 엣지(edge)로 표현하여 재료 구조를 직접 학습할 수 있게 만든다. 이는 기존처럼 연구자가 중요한 특징을 직접 정의하는 방식과 달리 AI가 구조적 관계를 스스로 학습할 수 있다는 장점을 가진다. 예를 들어 복잡한 배터리 전극 구조나 촉매 표면 반응 구조를 보다 정밀하게 표현할 수 있으며, 기존 디스크립터 기반 접근보다 높은 예측 정확도를 보이는 경우가 많다. 더욱이 최근 재료 표현은 다중 스케일 접근으로 발전하고 있다. 실제 재료의 성능은 원자 수준의 전자 구조뿐 아니라 미세조직과 공정 조건까지 함께 영향을 받기 때문이다. 예를 들어 동일한 조성을 가진 소재라도 입자 크기와 결정 방향, 계면 구조에 따라 전혀 다른 특성을 나타낼 수 있다. 따라서 최근에는 원자 수준 정보와 거시적 구조 정보를 동시에 통합하는 디스크립터 체계가 개발되고 있으며, 이를 통해 보다 현실적인 재료 예측을 가능해질 것이다. 10월호에 계속 >>

취재부 2026-09-09